Violence in healthcare at a glance: The example of the Turkish physician
Notice bibliographique
Résumé
BACKGROUND: Violence is an important public health problem that threatens the peace of mind in health institutions as well as in many other sectors. In recent studies, it was stated that violence occurs more frequently in healthcare centers compared to other establishments. In terms of being exposed to violence, healthcare personnel is at 16 times more risk. Violence against healthcare employees has increased gradually in Turkey and the world; it's a serious occupational hazard to consider. AIMS: The aim of our study was to analyze the situation about violence against physicians, to emphasize its importance, to shed light on preventive measures and to create programs and to raise awareness of violence against physicians. METHODS: This descriptive study was conducted between October-December 2017. A link was sent to the participants to participate voluntarily through the social media platforms mostly used by physicians and they were asked to fill out a questionnaire. RESULTS: 83.3% of the 948 physicians that participated have experienced at least one episode of violence so far. The most common type of violence was verbal. More than half of violent events occurred in hospitals. One-third of the physicians did nothing in the face of violence, more than half could not report this situation due to lack of time, only one-quarter of those who sought support received it. Only 23.7% of the perpetrators were punished, while physicians saw the lack of deterrent sanctions as the main cause of violence. While 90.2% of physicians feel occupational burnout, 81.6% thought that physicians can protect themselves through effective legislation against violence in healthcare. CONCLUSION: The Law on Violence in Health should be enacted and put into practice as soon as possible.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».